[發明專利]基于高斯混合模型貝葉斯算法的柔性零件裝配過程接觸狀態識別方法

在審

• 申請號: 201811465124.1
• 申請日: 2018-12-03
• 公開（公告）號: CN109657706A
• 公開（公告）日: 2019-04-19
• 發明（設計）人: 陳教料;張立彬;陳康;胥芳;鮑官軍;譚大鵬
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于高斯混合模型貝葉斯算法的柔性零件裝配過程接觸狀態識別方法，包括以下步驟：步驟1：采集多組裝配過程中的力數據，建立訓練數據集與測試數據集；步驟2：計算訓練數據的先驗概率；步驟3：初始化GMM參數；步驟4：將訓練數據劃分到距離最近的類別；步驟5：計算每個類別內所有訓練數據的均值；步驟6：若t＝T,則執行步驟7，否則返回步驟4；步驟7：估計訓練數據的概率密度分布；步驟8：計算后驗概率；步驟9：得到新的GMM參數；步驟10：計算新的對數似然函數，若ln^*p(x|π,u,∑)?ln p(x|π,u,∑)<L，則執行步驟11，否則返回步驟8；步驟11：使用測試數據，計算貝葉斯后驗概率概率；步驟12：將數據分類到后驗概率最大的類別。本發明分類精度較高。

技術領域

本發明屬于機器學習與機器人柔順控制技術領域，適用于利用工業機器人裝配柔性零件的接觸狀態識別的領域。具體地說，涉及一種基于高斯混合模型(Gaussian MixtureModel，以下簡稱GMM)，極大似然估計(Expectation Maximization，以下簡稱EM)和貝葉斯分類算法的接觸狀態識別方法。

背景技術

工業機器人是柔性自動化的核心設備。在生產中的應用，工業機器人對提高勞動生產率，提高產品質量，改善勞動條件，提高企業的競爭能力和應變能力，促進新產業的建立和發展，改變勞動結構，以及促進相關學科的技術進步，均發揮了重大的社會效益和經濟效益。當機械臂末端與工作環境有任何接觸時，只依靠位置控制是個滿足要求的。然而，目前機器人柔順控制多應用于剛性零件，柔性零件存在較大的彈性形變，使得機器人自動化裝配柔性零件更加困難。

對裝配力的分析有助于解決裝配過程中的位置不確定性問題。接觸狀態識別是通過采集裝配過程中的力和力矩信號，將抽象知識或環境感知添加到機器人柔順控制系統。接觸狀態識別的方法主要基于機器學習中的有監督分類算法，這類分類算法得到的預測類別即是對應的裝配接觸狀態。一些簡單的機器學習算法如模糊分類算法和人工神經網絡算法，能夠預測力數據所屬的類別，然而柔性零件裝配的力數據不符合高斯分布，使得該類算法分類精度較低，無法應用于實際裝配任務。復雜機器學習算法如混合分類器或集成分類器能夠在一定程度上提高分類精度，然而沒有針對柔性零件力數據特性的改進，且計算時間大大增加。對于柔性零件裝配力數據概率密度分布復雜的問題，現有機器學習算法難以應對，無法得到精確的分類結果。

因此，設計一種面向柔性零件裝配過程的接觸狀態識別方法，對工業機器人自動化裝配的研究與開發是非常必要的。

發明內容

為了克服現有分類方法對柔性零件裝配力數據分類精度較低的不足，本發明提供一種分類精度較高的基于高斯混合模型貝葉斯算法的柔性零件裝配過程接觸狀態識別方法。

本發明解決其技術問題所采用的技術方案是：

一種基于高斯混合模型貝葉斯算法的柔性零件裝配過程接觸狀態識別方法，包括以下步驟：

步驟1：使用機器人裝配柔性零件，采集多組裝配過程中的力數據，建立訓練數據集{Xtrain,Ctrain}與測試數據集{Xtest,Ctest}；

其中，Xtrain，Xtest為裝配過程中采集的六維力數據X＝(f_x,f_y,f_z,m_x,m_y,m_z)，f_x,f_y,f_z分別為沿x,y,z軸方向的力數據，m_x,m_y,m_z分別為繞x,y,z軸的力矩數據。Ctrain，Ctest為分別與Xtrain，Xtest對應的接觸狀態，即數據所屬的類別，訓練數據Xtrain共分為M類；

步驟2：設定GMM模型的高斯分布個數K和收斂系數L，根據公式(1)計算訓練數據Xtrain的先驗概率p(l)(l＝1,2,...,M)；